Большие данные и машинное обучение для службы
квалифицированного заказчика

Краткосрочный курс повышения квалификации

О КУРСЕ

Программа «Большие данные и машинное обучение для службы квалифицированного заказчика» коротко и емко расскажет простыми словами о сложных вещах. Каким может быть ваш путь от сбора данных до получения реального профита от владения этими данными? Всегда ли стоит идти проторенным путем, «пропиаренным» в медиа, или имеет смысл внимательней взглянуть на собственные потребности и противоречия? Как конкретно решить ту или иную задачу – возможно, вы не единственный, перед кем она стояла? Что сейчас на переднем крае в области больших данных и машинного обучения (БД и МО) и что из этого будет полезным для Вас? Является ли цифровая трансформация осознанным выбором или данью моде, нужна ли она именно вам и именно сейчас?

Программа рассчитана на сотрудников предприятий, вовлеченных в силу должностных обязанностей или призвания в процесс принятия и реализации стратегических решений по цифровым преобразованиям в своей организации. Данный курс позволит им детальнее и четче представить возможный конечный облик бизнес-модели, или же процесс конкретной реализации уже принятых решений. Надеемся, что после освоенного материала станут очевиднее проблемы и противоречия, с которыми придется столкнуться, и методы их разрешения.

Слушатели, обладающие достаточным уровнем базовых знаний в области работы с большими данными и машинного обучения, получат компетенции и навыки для решения реальных проблем, возникающих при переходе от классической бизнес-модели к состоянию, когда цифровизация становится ее неотъемлемой частью.

Программа направлена на развитие у слушателей компетенций, описанных профессиональным стандартом «Специалист по большим данным» и проектом нового профессионального стандарта «Специалист по машинному обучению».

Программа повышения квалификации «Большие данные и машинное обучение для службы квалифицированного заказчика», подготовлена в Национальном центре когнитивных разработок Университета ИТМО – центре компетенции Национальной технологической инициативы по сквозной технологии «Технологии машинного обучения и когнитивные технологии».

Предусмотрена система скидок для сотрудников бюджетных организаций

Длительность программы

Программа рассчитана на 72 ак. ч.

Форма обучения — дистанционная.

Документ об образовании

После успешного обучения по данной программе выдается удостоверение о повышении квалификации установленного образца.

ПРОГРАММА КУРСА

ТЕМА 1
Как выбрать технологию работы с большими данными, и когда она действительно принесет пользу

Определение и основные свойства больших данных. Когда данные становятся большими, кто и как их создает, и какие технологии для них нужны?
Как правильно сформулировать прикладную задачу на больших данных: типовые ошибки при запросе предложений.
Как правильно выбрать модели представления данных для конкретной области и почему технологии универсальные.
Как правильно выбрать модели обработки данных, и как они зависят от возможностей ИТ-инфраструктуры компании?
Плюсы и минусы распространенных рыночных решений в области больших данных: Apache НDFS, ClickHouse и Apache Spark.
Практическое использование современных парадигм в задачах больших данных. Истории успеха: платформа машинного обучения для контрагентов крупных компаний, комплексная аналитика в силовых машинах, персональный ассистент автолюбителя и медсотрудника.
Перспективные решения в области больших данных: что нужно учитывать в стратегических планах цифровой трансформации?

ТЕМА 2
Что может и что не может машинное обучение? Как не попасть в сеть иллюзий моделей на данных

Основные термины машинного обучения. Феномен машинного обучения: что нужно, чтобы компьютер обучался решать задачи человека, и при каких условиях это действительно получится?
Жизненный цикл машинного обучения: несколько простых шагов, чтобы обеспечить реальное внедрение разработки.
Как выбрать модель и метод машинного обучения, или почему нейросеть не всегда хороша?
Истории успеха: банковский скоринг, прогноз нефтедобычи и оценка наработки на отказ.
Когда можно доверять результатам машинного обучения, и от чего зависит его качество?
Как ускорить обучение моделей, если ваших данных недостаточно? Обучение переносом и синтетические данные.

ТЕМА 3
Неструктурированные данные в корпоративной практике: как использовать их эффективно, а не только эффектно

Почему важно работать с неструктурированными данными компании (текст, изображения, видео)? Дополнительные эффекты и неизбежные проблемы.
Формирование ценности неструктурированных данных: как извлечь, интерпретировать и применить новые знания?
Как выбрать правильно модель обработки естественного языка (Natural Language Processing): типовые ошибки.
Как быстро обучить тематическую языковую модель: создание ботов своими руками.
Плюсы и минусы современных технологий для работы с неструктурированными данными: Spark, PyTorch, AirFlow.
Истории успеха: токсичные посты сотрудников и оценка лояльности клиентов компании.

ТЕМА 4
Как противостоять старению и утере знаний в компании: автоматическое машинное обучение и генеративный дизайн

Создание и актуализация корпоративных знаний с помощью технологий искусственного интеллекта: как научить модели на данных самостоятельно обновляться?
Устаревание данных как угроза качеству моделей: как не потерять в точности и избежать систематических ошибок при прогнозировании.
Готовность к неожиданностям: как сделать модель устойчивой к нестандартным изменениям данных.
Как поддержать творческую активность специалиста за счет машинного интеллекта: генеративный дизайн.
Истории успеха: адаптивная видеоаналитика, доходные кредиты и безопасные гавани.

ТЕМА 5
Машинное обучение без программиста: какие программные инструменты подходят для всех?

Всегда ли нужен программист? Концепция no-code и low-code разработки приложений в области машинного обучения и обработки данных.
Преимущества и недостатки современных инструментов работы с данными: функциональность, простота, гибкость, квалификация.
Игра в разработку: визуальное программирование для задач машинного обучения.
Робот вместо программиста. Утопия или реальность? Пределы автоматизации разработки приложений анализа данных.
Истории успеха: цепочки поставок, маркетинг, финансы, розничная торговля, электронная коммерция.

ТЕМА 6
Как создавать цифровые двойники на основе машинного обучения: быстро и наглядно

Как правильно выбрать класс цифрового двойника? Особенности цифровых двойников компаний.
Кому и где нужны цифровые двойники? Стадии цифровой зрелости компании.
Ядро цифрового двойника: модели, данные и их совместное использование.
Как меняется стратегия развития компаний при использовании цифровых двойников: потоковое производство, нефтяная промышленность, транспорт, здравоохранение.
Принятие решений на основе цифровых двойников: от аналитики - к прогнозированию на объективных данных.
Формирование ценности цифрового двойника компании: оптимизация экономических показателей.
Истории успеха: кадровое обеспечение крупного предприятия, производство топливных гранул, водоснабжение, «умный» город.

ТЕМА 7
Нормативная документация: еще одна ненужная бюрократия или компоненты “строительных лесов” для формирования коллектива единомышленников в БД и МО.

Как выстроена иерархия нормативных документов? Но что опираться при разработке и применении продуктов на основе БД и МО и соответствующей документации?
Терминологическая база: учимся говорить на одном профессиональном языке, когда речь идет о цифровых двойниках и ассистентах, системах поддержки принятия решений.
Шаги выполнения НИР: что советуют документы?
Цифровые объекты как результат интеллектуальной деятельности. Сертификация цифровых объектов.

СПИКЕРЫ

к.т.н., доцент факультета цифровых трансформаций, руководитель научно-исследовательской лаборатории "Когнитивные технологии в промышленности Университета ИТМО

Денис Насонов